原创 機器學習 - 基於 Scikit-learn 多類別和多標籤分類算法

多類別分類如果採用GBDT,boost等分類器,邏輯要求較冗繁。在實際應用中建議使用已有算法庫直接處理。省時間省力! 針對多分類和多標籤問題,雖然深度學習具有較好的表現,但採用傳統機器學習方法可以作爲對問題深入理解的嘗試. sklearn

原创 關於 tf.keras.layers.Embedding

tf.keras.layers.Embedding model = Sequential() model.add(Embedding(1000, 64, input_length=10)) # the model will take a

原创 使用spyder調試時,如何傳入argv參數

只需在wdir 前面插入 args 參數即可,如下: runfile('C:/Users/7/Desktop/Kaggle_self_use-master/GAN_dog.py',args = '--mode=train', wdir='

原创 Ucos操作系統任務優先級分配原則

ucos是一個可剝奪性內核的操作系統。所以每一個任務都必須有一個優先級。ucos操作系統中任務的優先級使用一個8位整型數據來表示的。比如我們的0,1,2,3這些數,UCOS任務優先級的取值範圍爲 0 - OS_LOWEST_PRIO之間,

原创 CAN總線的AUTOSAR網絡管理

https://zhuanlan.zhihu.com/p/94141138 這文章寫得很詳細、通俗易懂,我就省筆了。

原创 Keras關於LSTM的units參數解釋

LSTM(units,input_shape(3,1)),這裏的units指的是cell的個數麼?如果是,按照LSTM原理這些cell之間應該是無連接的,那units的多少其意義是什麼呢,是不是相當於MLP裏面對應隱層的神經元個數,只是爲

原创 tensorflow 2.x 和1.x 切換

如在安裝2以上的TensorFlow想使用1的版本,只需在文件開頭添加如下三行語句 import tensorflow.compat.v1 as tf tf.disable_v2_behavior() # 使用靜態圖模式運行以下代碼 as

原创 非tf.Variable類型的張量需要人爲設置記錄梯度信息

import tensorflow as tf # 構建待優化變量 x = tf.constant(1.) w1 = tf.constant(2.) b1 = tf.constant(1.) w2 = tf.constant(2.)

原创 實時操作系統和非實時操作系統的區別

轉:https://blog.csdn.net/u013752202/article/details/53649047 對於實時操作系統(RTOS)和非實時操作系統,你能分別列舉出來多少? 實時操作系統:uCOS/VxWorks/RTLi

原创 用工具進行代碼版本升級

在TensorFlow 2.x版本中,提供了一個升級TensorFlow 1.x版本代碼的工具——tf_upgrade_v2。該工具可以非常方便地將TensorFlow 1.x版本中編寫的代碼移植到TensorFlow 2.x中。 tf

原创 tf.function和Autograph使用指南

https://zhuanlan.zhihu.com/p/67192636   tf.function和Autograph使用指南-Part 1 https://zhuanlan.zhihu.com/p/67729759   tf.fun

原创 tf.nn.conv2d 與 tf.layers.conv2d 的區別

在寫CNN中注意到tensorflow目前有tf.nn.conv2d和tf.layers.conv2d這兩個很相似的API. tf.nn.conv2d, 需要自行傳入初始化好的filter(四個維度),在初始化filter或者說Weigh

原创 numpy.random.seed()方法

  1.無num參數 import numpy as np for i in range(5): np.random.seed() perm = np.random.permutation(10) print(perm) 結果

原创 map結合lambda使用

lambda是匿名函數,map和lambda結合起來使用,代碼非常簡潔,單獨從map或單獨從lambda函數入口,都達不到兩個函數共同使用的意義 例: 1、列表list_x = [1, 2, 3, 4, 5],每項的平方 list_x

原创 神經網絡優化算法之從SGD到Adam

        採用何種方式對損失函數進行迭代優化,這是機器學習的一大主題之一,當一個機器學習問題有了具體的模型和評估策略,所有的機器學習問題都可以形式化爲一個最優化問題。這也是爲什麼我們說優化理論和凸優化算法等學科是機器學習一大支柱的原